AI is een gamechanger in Europa: waarom kleinschalige, lokale AI de ware toekomst van de onderneming kan zijn

Iedereen lijkt zich volledig te richten op enorme AI-modellen met steeds extremere parameters en steeds bredere, universele mogelijkheden. Maar de echte revolutie in het bedrijfsleven zou wel eens aan het krimpen kunnen zijn. Als u uw bedrijfseigen data wilt beschermen én tegelijkertijd een reëel rendement wilt behalen, moet u de mogelijkheden van de nieuwe Europese AI-golf eens goed bekijken.

De afgelopen maanden heb ik geschreven over de kruising van kunstmatige intelligentie en complexe bedrijfsarchitectuur. We hebben de gevaarlijke illusie van het 'zelfgebouwde ERP-systeem' onderzocht en besproken waarom juist de mensen die AI ontwikkelen vaak aarzelen om het te vertrouwen met bedrijfskritische processen. De kern van het probleem komt steeds weer neer op een fundamentele discrepantie tussen wat generalistische AI-modellen geacht worden te doen en wat een moderne supply chain daadwerkelijk vereist.

Onlangs trok een artikel in Wired mijn aandacht. Het belichtte een enorme verschuiving in de wereldwijde race op het gebied van kunstmatige intelligentie, met de focus op de opkomst van Small Language Models en het concept van "World Models", gepromoot door pioniers zoals Yann LeCun.

Deze verschuiving naar gespecialiseerde modellen pakt precies de uitdagingen aan waar we dagelijks mee te maken hebben in de fabriek. Deze visie wordt nu ondersteund door aanzienlijk kapitaal: LeCuns nieuwe startup, AMI Labs, heeft zojuist $1,03 miljard aan startkapitaal opgehaald met een waardering van $3,5 miljard om AI te ontwikkelen die de fysieke wereld echt begrijpt.

Algemene, grote taalmodellen zijn fantastisch voor consumententoepassingen. Maar voor industriële productie, inkooplogica en de ontvangst van materialen in magazijnen is een systeem nodig dat inherent is afgestemd op uw specifieke bedrijfslogica.
U hebt een systeem nodig dat u daadwerkelijk bezit en, cruciaal, een systeem dat een fractie van de hardwarebronnen vereist, waardoor uw operationele kosten en energieverbruik drastisch worden verlaagd.

De Europese AI-renaissance: een echte kans?

Een tijdlang leek het erop dat de race op het gebied van kunstmatige intelligentie uitsluitend werd gedomineerd door gigantische technologiebedrijven aan de andere kant van de oceaan. Europa leek achter te lopen, gehinderd door strenge regelgeving en een gebrek aan grootschalige computerinfrastructuur. Het lijkt er echter op dat dit beeld op het punt staat te veranderen. Europa heeft nu een reële kans om de verloren terreinwinst terug te winnen door de spelregels volledig te veranderen.

In plaats van te proberen grotere en duurdere generalistische modellen te bouwen, richten Europese startups zich op efficiëntie, datasoevereiniteit en gespecialiseerde toepassingen. Bedrijven zoals Mistral in Frankrijk hebben bewezen dat je zeer capabele modellen kunt bouwen die de giganten evenaren met een fractie van het aantal parameters. Aleph Alpha in Duitsland boekt enorme vooruitgang door zich specifiek te richten op B2B-omgevingen waar gegevensbeveiliging en transparante besluitvorming onmisbaar zijn. Onderzoekslaboratoria zoals Kyutai verleggen de grenzen van open wetenschap in AI.

Deze bedrijven gaan vol overtuiging vooruit met een compleet andere filosofie. Ze bewijzen dat de toekomst van bedrijfstechnologie wellicht geen monolithisch brein met triljoenen parameters in een ver afgelegen datacenter vereist.

Klein taalmodel: definities en mechanismen

Dit brengt ons bij het concept van het Small Language Model (SLM). Een SLM is precies wat de naam al doet vermoeden, maar de mechanismen erachter zijn fascinerend. Terwijl enorme modellen werken met meer dan een biljoen parameters (de interne variabelen of "knoppen en regelaars" die bepalen hoe een neuraal netwerk informatie verwerkt), werkt een SLM doorgaans met minder dan 10 miljard parameters, meestal tussen de 1 en 7 miljard.

Maar klein betekent niet eenvoudig. SLM's bereiken ongelooflijke prestaties door specifieke engineeringstechnieken:

• Kennisdestillatie: Kleinere "leerling"-modellen worden getraind om de output van enorme "leraar"-modellen na te bootsen, waarbij de kernfunctionaliteiten behouden blijven bij een fractie van de omvang.
• Hoogwaardige data: In plaats van het hele, rommelige internet af te speuren, worden SLM's getraind op zorgvuldig samengestelde datasets van leerboekkwaliteit.
• Kwantisatie: Dit proces comprimeert de geheugenvoetafdruk van het model zo drastisch dat een zeer krachtig model letterlijk op een standaard laptop of een enkele lokale server kan draaien.

Waarom zou dit een echte gamechanger voor uw bedrijf kunnen zijn? Het antwoord komt neer op kosten, focus en eigendom.

Het is cruciaal om te beseffen dat de implementatie van een SLM niet betekent dat je er zelf een moet bouwen. Je downloadt een voorgeprogrammeerd model dat de taal al begrijpt, en vervolgens verfijn je dit met je domeinspecifieke data. Zie het als het aannemen van een medewerker die de taal al perfect spreekt en die je vervolgens de interne procedures van je bedrijf leert.

Het trainen en beheren van een omvangrijk LLM-programma vereist enorme hoeveelheden rekenkracht en financiële investeringen. De meeste bedrijven kunnen het zich niet veroorloven om hun eigen personeel vanaf nul op te leiden, waardoor ze gedwongen zijn toegang te huren via API's. Dit creëert een enorm knelpunt voor industriële toepassingen.

Als senior logistiek consultant die werkt met systemen zoals Infor LN, heb ik dagelijks te maken met zeer gevoelige gegevens. We beheren complexe stuklijsten, exacte prijsstructuren, kwaliteitsinspectieparameters en bedrijfseigen productieprocessen.

Het versturen van deze uiterst gevoelige, zeer vertrouwelijke gegevens naar een externe cloudprovider om te worden verwerkt door een algemene AI is een veiligheidsrisico. Veel CEO's en CFO's weigeren dit pertinent, en terecht. Dit is precies de reden waarom ik schreef over de AI-uittocht en waarom bouwers het gebouw niet vertrouwen.

Een SLM biedt een briljante oplossing voor dit probleem. Dankzij de eerder genoemde optimalisaties kan een SLM lokaal op uw eigen servers of in uw beveiligde private cloud draaien. Dit betekent dat uw bedrijf daadwerkelijk over de intelligentie beschikt. De data verlaat nooit uw beveiligde perimeter. U profiteert van de voordelen van geavanceerde machine learning zonder uw intellectuele eigendom in gevaar te brengen, en dat alles met een aanzienlijk lager energieverbruik.

Voor een gedetailleerdere visuele uitleg over hoe deze modellen werken en waarom ze zo effectief zijn voor specialistische taken, raad ik ten zeerste aan om deze uitstekende uitleg van Salesforce AI Research Lab te bekijken.

Wereldmodellen en de fysieke realiteit van logistiek

Het artikel in Wired raakte ook een concept aan dat cruciaal is voor iedereen die in de productie en het supply chain management werkt. Yann LeCun, een vooraanstaand figuur in de AI-wereld, heeft zich uitgesproken over de beperkingen van de huidige logische woordmodellen. Hij stelt dat deze modellen simpelweg het volgende logische woord in een reeks voorspellen. Ze hebben geen enkel begrip van de fysieke wereld.

Als je een algemeen geschoolde rechtenstudent vraagt ​​om de materiaalstroom bij cross-docking in een magazijn te optimaliseren, krijg je misschien een antwoord dat grammaticaal perfect klinkt, maar fysiek onmogelijk uit te voeren is.

LeCun pleit voor "wereldmodellen". Dit zijn systemen die ontworpen zijn om de fysieke beperkingen en realiteit van de omgeving waarin ze opereren te begrijpen. In onze branche is die "wereld" de fabrieksvloer. Het omvat de natuurkundige principes van een verticaal magazijn, de strikte volgorde van een productieroute en de harde beperkingen van de voorraad.

Door de lokale, veilige aard van een Small Language Model te combineren met de specifieke, deterministische logica van een robuust ERP-systeem, creëer je iets ongelooflijk krachtigs. Je neemt een SLM, traint deze met je specifieke historische ERP-gegevens en gebruikt deze als een zeer gespecialiseerde agent die de fysieke en logistieke beperkingen van jouw specifieke bedrijf daadwerkelijk begrijpt.

Daarom is de SaaS-apocalyps waar ik het in mijn vorige artikelen over had, gewoonweg onjuist. De deterministische SaaS-platformen zullen de ruggengraat van de onderneming blijven vormen. Lokale SLM's (Service Level Managers) kunnen fungeren als het veilige, gespecialiseerde brein dat ermee communiceert.

Bruikbare inzichten voor bedrijfsleiders

Als u CEO, CFO of IT-manager bent en kunstmatige intelligentie wilt integreren zonder uw gegevens of budget in gevaar te brengen, zijn hier de praktische stappen die u nu kunt overwegen.

1. Audit uw data-infrastructuur: Small Language Models vereisen data van hoge kwaliteit om effectief te zijn. Voordat u investeert in een lokale AI-oplossing, moet u ervoor zorgen dat uw ERP-data schoon is. Mijn ervaring met datamigratie en systeemanalyse leert dat bedrijven ernstig onderschatten hoeveel verouderde data er in hun databases aanwezig is. Ruim eerst uw eigen database op.
2. Verleg de focus van omvang naar specificiteit: maak je niet langer druk over welke techgigant het model met de meeste parameters heeft. Begin met het evalueren van kleinere, open modellen die specifiek voor jouw branche kunnen worden verfijnd.
3. Evalueer de mogelijkheden voor lokale implementatie: overleg met uw IT-afdeling over de hardware die nodig is om een ​​SLM lokaal uit te voeren. De kosten van lokale inferentiehardware dalen snel. Bereken het rendement op investering (ROI) van een eenmalige hardware-investering voor een lokaal model versus de terugkerende, onvoorspelbare kosten (en het energieverbruik) van API-tokens van een cloudprovider.
4. Identificeer specifieke gebruiksscenario's: probeer niet uw hele toeleveringsketen in één keer te automatiseren. Kies een specifieke, veelvoorkomende taak. Gebruik een lokaal SLM-systeem om inkooporders te koppelen aan complexe leveranciersfacturen of om rapporten over afwijkingen in de kwaliteitsmanagement te analyseren. Bewijs de waarde lokaal voordat u opschaalt.
5. Steek de handen uit de mouwen: zoals bij elke opkomende technologie is erover lezen nooit genoeg. Je moet deze oplossingen actief testen en evalueren in verschillende scenario's en met diverse modellen. Als je niet begint met experimenteren en proof-of-concepts bouwt, zul je de concrete waarde van deze modellen voor je bedrijfsvoering nooit echt begrijpen. Je moet er gewoon mee aan de slag.

De ware macht ligt misschien wel lokaal

Europa heeft de eerste explosieve golf van algemene chatbots voor consumenten misschien gemist, maar de race om AI in het bedrijfsleven is een marathon. Door zich te richten op Small Language Models, datasoevereiniteit en systemen die de fysieke wereld begrijpen, positioneert het Europese technologie-ecosysteem zich om precies te leveren wat industriële bedrijven daadwerkelijk nodig hebben.

Uiteindelijk, wanneer je de echte knelpunten in je bedrijf onder ogen ziet, zul je beseffen dat je geen AI nodig hebt die alles over de wereld weet. Je hebt er gewoon een nodig die absoluut alles weet over jouw specifieke bedrijfsvoering, en die veilig achter je eigen firewall draait.

Dat zou wel eens de ware toekomst van bedrijfstechnologie kunnen zijn.

Geschreven door Andrea Guaccio 

24 maart 2026